优化 Stream并行流 性能 parallelStream

优化并行流性能可以从以下几个方面入手：

数据量足够大
并行流适合处理大数据量的场景，小数据量使用并行流可能会因为线程切换开销导致性能下降。

数据源选择

使用 ArrayList 或数组作为数据源，因其支持高效的分片操作。
避免使用 LinkedList 或 Stream.iterate，它们的分片性能较差。
合理设置线程池
默认情况下，并行流使用 ForkJoinPool.commonPool，线程数为 CPU核心数。可以通过设置 java.util.concurrent.ForkJoinPool.common.parallelism 系统属性调整线程数：

System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "8");

减少共享资源竞争
避免在并行流中修改共享变量，尽量使用线程安全的数据结构或无状态操作。

避免阻塞操作
并行流中的操作应尽量避免 I/O 或锁竞争等阻塞操作。

使用 Collectors.toConcurrentMap
在并行流中收集结果时，使用线程安全的收集器，如 Collectors.toConcurrentMap 或 ConcurrentHashMap。

性能监控与调试
使用 System.nanoTime() 或性能分析工具监控并行流的执行时间，判断是否需要优化。

import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.ForkJoinPool;
import java.util.stream.IntStream;

public class ParallelStreamOptimization {
    public static void main(String[] args) {
        // 设置并行线程数
        System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "8");

        // 数据源：ArrayList
        List<Integer> numbers = new ArrayList<>();
        IntStream.range(0, 1_000_000).forEach(numbers::add);

        // 并行流处理
        long start = System.nanoTime();
        long sum = numbers.parallelStream()
                .mapToLong(i -> i * 2L)
                .sum();
        long end = System.nanoTime();

        System.out.println("结果: " + sum);
        System.out.println("耗时: " + (end - start) / 1_000_000 + " ms");
    }
}